PointGL 是一种高效的点云分析架构，通过全局点嵌入和局部图池化两个递归步骤实现特征获取，并在 ScanObjectNN 数据集上取得了最新 PointMLP 模型的五倍速度和较少的计算资源使用的最先进准确性。

Jan, 2024

PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

Dec, 2023

通过使用 MLPs 对局部特征进行编码，以点云来恢复 3D 重建的模型，通过引导去噪的相对位置编码，从点云中汇集附近的特征，预测空间中的任意查询点的占用概率，并夺得了卷积方法的最新成果，并且只使用了一半的模型参数。

Nov, 2023

本研究基于图形注意力机制，提出了一个新的神经网络 GAPNet，用于学习点云中的局部几何表示，并且在形状分类和部分分割任务中，取得了最先进的性能。

May, 2019

本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

Mar, 2020

本文提出了 PatchMixer 架构，通过处理局部补丁和使用 MLP 聚合补丁特征，将 MLP-Mixer 的思想扩展到 3D 点云中，以提高深度网络架构的泛化性能。

Jul, 2023

本文探讨了基于点云的方法在点云分析中的应用，提出了一种聚合邻近特征的高维向量的 “Vector-oriented Point Set Abstraction” 方法，并开发了一种 PointNeXt 结构的 PointVector 模型以提高特征提取的效率，此方法在 S3DIS Area 5 上和 S3DIS (6 折交叉验证) 上取得了 72.3% 和 78.4% 的 mIOU 的优异表现，在研究中探索了更加紧凑和有效的特征表示方法。

May, 2022

该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

Jan, 2018

本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法，采用自动注册机制降低了平移方差，并结合盒子合并和计分运算从多个数据点准确地组合检测结果，在 KITTI 基准测试中，该方法仅使用点云即可实现领先的准确性，甚至胜过融合算法，这显示了使用图神经网络作为三维对象检测的新方法的潜力。

Mar, 2020

该论文提出了一种基于简洁的 MLP 网络的 Point Deformable Network (PDNet)，它能够捕捉到具有强大表征能力的长程关系。论文还提出了 Point Deformable Aggregation Module (PDAM)，通过对可变形参考点的聚合，改进了长程依赖和点之间的自适应聚合的表示能力。在各种基准测试中进行了大量实验和消融研究，证明了 PDNet 的有效性和优越性。

Dec, 2023